手写数字识别算法

import pandas as pd
import numpy as np
from sklearn.neural_network import MLPRegressor  #从sklearn的神经网络中引入多层感知器

data_tr = pd.read_csv('BPdata_tr.txt')  # 训练集样本
data_te = pd.read_csv('BPdata_te.txt')  # 测试集样本
X=np.array([[0.568928884039633],[0.379569493792951]]).reshape(1, -1)#预测单个样本

#参数：hidden_layer_sizes中间层的个数  activation激活函数默认relu  f（x）= max（0,x）负值全部舍去，信号相应正向传播效果好
#random_state随机种子，max_iter最大迭代次数，即结束，learning_rate_init学习率，学习速度，步长
model = MLPRegressor(hidden_layer_sizes=(10,), activation='relu',random_state=10, max_iter=8000, learning_rate_init=0.3)  # 构建模型,调用sklearn实现神经网络算法
model.fit(data_tr.iloc[:, :2], data_tr.iloc[:, 2])    # 模型训练(将输入数据x，结果y放入多层感知器拟合建立模型) .iloc是按位置取数据
pre = model.predict(data_te.iloc[:, :2])              # 模型预测（测试集数据预测，将实际结果与预测结果对比）

pre1 = model.predict(X)#预测单个样本,实际值0.467753075712819
err = np.abs(pre - data_te.iloc[:, 2]).mean()# 模型预测误差（|预测值-实际值|再求平均）

print("模型预测值：",pre,end='\n______________________________\n')
print('模型预测误差：',err,end='\n++++++++++++++++++++++++++++++++\n')
print("单个样本预测值：",pre1,end='\n++++++++++++++++++++++++++++++++\n')

#查看相关参数。
print('权重矩阵：','\n',model.coefs_) #list，length n_layers - 1,列表中的第i个元素表示对应于层i的权重矩阵。
print('偏置矩阵：','\n',model.intercepts_) #list，length n_layers - 1,列表中的第i个元素表示对应于层i + 1的偏置矢量。

数字手写识别系统

#数字手写识别系统，DBRHD和MNIST是数字手写识别的数据集
import numpy as np  # 导入numpy工具包
from os import listdir  # 使用listdir模块，用于访问本地文件
from sklearn.neural_network import MLPClassifier #从sklearn的神经网络中引入多层感知器

#自定义函数，将图片转换成向量
def img2vector(fileName):
    retMat = np.zeros([1024], int)  # 定义返回的矩阵，大小为1*1024
    fr = open(fileName)  # 打开包含32*32大小的数字文件
    lines = fr.readlines()  # 读取文件的所有行
    for i in range(32):  # 遍历文件所有行
        for j in range(32):  # 并将01数字存放在retMat中
            retMat[i * 32 + j] = lines[i][j]
    return retMat

#自定义函数，获取数据集
def readDataSet(path):
    fileList = listdir(path)  # 获取文件夹下的所有文件
    numFiles = len(fileList)  # 统计需要读取的文件的数目
    dataSet = np.zeros([numFiles, 1024], int)  # 用于存放所有的数字文件juzheng
    hwLabels = np.zeros([numFiles, 10])  # 用于存放对应的one-hot标签(每个文件都对应一个10列的矩阵)
    for i in range(numFiles):  # 遍历所有的文件
        filePath = fileList[i]  # 获取文件名称/路径
        digit = int(filePath.split('_')[0])  # 通过文件名获取标签，split返回分割后的字符串列表
        hwLabels[i][digit] = 1.0  # 将对应的one-hot标签置1 .one-hot编码，又称独热编码、一位有效编码.one-hot向量将类别变量转换为机器学习算法易于利用的一种形式的过程，这个向量的表示为一项属性的特征向量，也就是同一时间只有一个激活点（不为0），这个向量只有一个特征是不为0的，其他都是0，特别稀疏。
        dataSet[i] = img2vector(path + '/' + filePath)  # 读取文件内容
    return dataSet, hwLabels


#读取训练数据，并训练模型
train_dataSet, train_hwLabels = readDataSet('trainingDigits')

#参数：hidden_layer_sizes中间层的个数，activation激活函数 logistic:f(x)=1/(1+exp(-x))将值映射在一个0~1的范围内。
#solver权重优化的求解器adam默认，用于较大的数据集，lbfgs用于小型的数据集收敛的更快效果更好。max_iter迭代次数越多越准确
clf = MLPClassifier(hidden_layer_sizes=(50,),activation='logistic', solver='adam',learning_rate_init=0.001, max_iter=700)
clf.fit(train_dataSet, train_hwLabels)#数据集，标签，拟合

# 读取测试数据对测试集进行预测
dataSet, hwLabels = readDataSet('testDigits')
res = clf.predict(dataSet) #预测结果是标签（[numFiles, 10]的矩阵） 
print("测试数据",dataSet,'\n___________________________________\n')
print("测试标签",hwLabels,'\n++++++++++++++++++++++++++++++++++++++++\n')
print("测试结果",res)


error_num = 0  # 统计预测错误的数目
num = len(dataSet)  # 测试集的数目
for i in range(num):  # 遍历预测结果
    # 比较长度为10的数组，返回包含01的数组，0为不同，1为相同
    # 若预测结果与真实结果相同，则10个数字全为1，否则不全为1
    if np.sum(res[i] == hwLabels[i]) < 10:
        error_num += 1
print("Total num:", num, " Wrong num:",error_num, "  WrongRate:", error_num / float(num))

可视化MNIST是数字手写识别的数据集

from keras.datasets import mnist#导入数字手写识别系统的数据集
import matplotlib.pyplot as plt

(X_train, y_train), (X_test, y_test) = mnist.load_data()
#以2*2(2行2列)图的方式展现
plt.subplot(221)
plt.imshow(X_train[1], cmap=plt.get_cmap('gray_r'))#白底黑字
plt.subplot(222)
plt.imshow(X_train[2], cmap=plt.get_cmap('gray'))#黑底白字
plt.subplot(223)
plt.imshow(X_train[3], cmap=plt.get_cmap('gray'))
plt.subplot(224)
plt.imshow(X_train[4], cmap=plt.get_cmap('gray'))
# show the plot
plt.show()

到此这篇关于python机器学习之神经网络的文章就介绍到这了,更多相关python神经网络内容请搜索hwidc以前的文章或继续浏览下面的相关文章希望大家以后多多支持hwidc！